Open3d之多视角点云配准

最新推荐文章于 2024-03-28 08:45:00 发布

ancy_i_cv

最新推荐文章于 2024-03-28 08:45:00 发布

阅读量3.3k

点赞数 3

分类专栏： open3d

本文链接：https://blog.csdn.net/u014072827/article/details/113794628

版权

open3d 专栏收录该内容

34 篇文章 121 订阅

订阅专栏

多视角配准是在全局空间中对齐多个几何形状的过程。通常，输入是一组几何形状 $\left \{ P i \right \}$ （例如:点云或者RGBD图像）。输出是一组刚性变换 $\lbrace T_i \rbrace$ ，以便变换后的点云 $\lbrace T_i P_i \rbrace$ 可在全局空间中对齐。
Open3D通过姿态图优化实现多视角配准。后端实现了[Choi2015]中介绍的技术

输入

教程代码的第一部分是从三个文件中读取三个点云数据，并对其下采样和可视化，可看出它们是没有不对齐的。

def load_point_clouds(voxel_size=0.0):
    pcds = []
    for i in range(3):
        # 读取点云
        pcd = o3d.io.read_point_cloud("../../test_data/ICP/cloud_bin_%d.pcd" % i)
        # 下采样
        pcd_down = pcd.voxel_down_sample(voxel_size=voxel_size)
        pcds.append(pcd_down)
    return pcds


voxel_size = 0.02
pcds_down = load_point_clouds(voxel_size)
o3d.visualization.draw_geometries(pcds_down,
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])

姿态图

姿态图有两个关键元素：节点和边。节点是与姿态矩阵 $T_{i}$ 关联的一组几何体 $P_{i}$ ，通过该矩阵能够将 $P_{i}$ 转换到全局空间。集和 $\lbrace T_i \rbrace$ 是一组待优化的未知的变量。
PoseGraph.nodes是PoseGraphNode的列表。我们设 $P_{0}$ 的空间是全局空间。因此 $T_{0}$ 是单位矩阵。其他的姿态矩阵通过累加相邻节点之间的变换来初始化。相邻节点通常都有着大规模的重叠并且能够通过Point-to-plane ICP来配准。

姿态图的边连接着两个重叠的节点（几何形状）。每个边都包含着能够将源几何体 $P_{i}$ 和目标几何体 $P_{j}$ 对齐的变换矩阵 $T_{i,j}$ 。本教程使用Point-to-plane ICP来估计变换矩阵。在更复杂的情况中，成对的配准问题一般是通过全局配准来解决的。

[Choi2015] 观察到，成对的配准容易出错。甚至错误的匹配会大于正确的匹配，因此，他们将姿态图的边分为两类。Odometry edges连接着邻域节点，使用局部配准的方式比如ICP就可以对齐他们。Loop closure edges连接着非邻域的节点。该对齐是通过不太可靠的全局配准找到的。在Open3d中，这两类边缘通过PoseGraphEdge初始化程序中的uncertain参数来确定。

除了旋转矩阵 $T_{i}$ 以外，用户也可以去设置每一条边的信息矩阵 $A_{i}$ 。如果是通过 get_information_matrix_from_point_clouds设置的信息矩阵 $A_{i}$ ，那么姿态图的边的损失将以 line process weight 近似于两组节点对应点集的RMSE。有关详细细节请参考[Choi2015] 和 the Redwood registration benchmark。

下面的脚本创造了具有三个节点和三个边的姿态图。这些边里，两个是odometry edges（uncertain = False），一个是loop closure edge（uncertain = True）。

def pairwise_registration(source, target):
    print("应用点到面的ICP")
    # 粗配准
    icp_coarse = o3d.pipelines.registration.registration_icp(source, target, max_correspondence_distance_coarse,
                                                             np.identity(4),
                                                             o3d.pipelines.registration.TransformationEstimationPointToPlane())
    # 精配准
    icp_fine = o3d.pipelines.registration.registration_icp(source, target, max_correspondence_distance_fine,
                                                           icp_coarse.transformation,
                                                           o3d.pipelines.registration.TransformationEstimationPointToPlane())
    transformation_icp = icp_fine.transformation
    # 从变换矩阵计算信息矩阵
    information_icp = o3d.pipelines.registration.get_information_matrix_from_point_clouds(
        source, target, max_correspondence_distance_fine, icp_fine.transformation)
    return transformation_icp, information_icp


def full_registration(pcds, max_correspondence_distance_coarse, max_correspondence_distance_fine):
    pose_graph = o3d.pipelines.registration.PoseGraph()
    odometry = np.identity(4)
    pose_graph.nodes.append(o3d.pipelines.registration.PoseGraphNode(odometry))
    n_pcds = len(pcds)
    for source_id in range(n_pcds):
        for target_id in range(source_id + 1, n_pcds):
            transformation_icp, information_icp = pairwise_registration(pcds[source_id], pcds[target_id])
            print("Build o3d.pipelines.registration.PoseGraph")
            if target_id == source_id + 1:  # odometry case
                odometry = np.dot(transformation_icp, odometry)
                pose_graph.nodes.append(o3d.pipelines.registration.PoseGraphNode(np.linalg.inv(odometry)))
                pose_graph.edges.append(o3d.pipelines.registration.PoseGraphEdge(source_id,
                                                                                 target_id,
                                                                                 transformation_icp,
                                                                                 information_icp,
                                                                                 uncertain=False))
            else:  # loop closure case
                pose_graph.edges.append(o3d.pipelines.registration.PoseGraphEdge(source_id,
                                                                                 target_id,
                                                                                 transformation_icp,
                                                                                 information_icp,
                                                                                 uncertain=True))
    return pose_graph


print("Full registration ...")
max_correspondence_distance_coarse = voxel_size * 15
max_correspondence_distance_fine = voxel_size * 1.5
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    pose_graph = full_registration(pcds_down, max_correspondence_distance_coarse, max_correspondence_distance_fine)

print("Optimizing PoseGraph ...")
option = o3d.pipelines.registration.GlobalOptimizationOption(
    max_correspondence_distance=max_correspondence_distance_fine,
    edge_prune_threshold=0.25,
    reference_node=0)
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    o3d.pipelines.registration.global_optimization(pose_graph,
                                                   o3d.pipelines.registration.GlobalOptimizationLevenbergMarquardt(),
                                                   o3d.pipelines.registration.GlobalOptimizationConvergenceCriteria(),
                                                   option)

Open3d使用函数global_optimization进行姿态图估计，可以选择两种类型的优化算法，分别是GlobalOptimizationGaussNewton和GlobalOptimizationLevenbergMarquardt。比较推荐后一种的原因是因为它具有比较好的收敛性。GlobalOptimizationConvergenceCriteria类可以用来设置最大迭代次数和别的优化参数。

GlobalOptimizationOption定义了两个参数。max_correspondence_distance定义了对应阈值。edge_prune_threshold是修剪异常边缘的阈值。reference_node是被视为全局空间的节点ID。

print("优化姿态图 ...")
option = o3d.registration.GlobalOptimizationOption(
    max_correspondence_distance=max_correspondence_distance_fine,
    edge_prune_threshold=0.25,
    reference_node=0)
with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:
    o3d.registration.global_optimization(
        pose_graph, o3d.registration.GlobalOptimizationLevenbergMarquardt(),
        o3d.registration.GlobalOptimizationConvergenceCriteria(), option)

全局优化在姿态图上执行两次。第一遍将考虑所有边缘的情况优化原始姿态图的姿态，并尽量区分不确定边缘之间的错误对齐。这些错误对齐将会产生小的 line process weights，它们将会在第一遍被剔除。第二遍将会在没有这些边的情况下运行，产生更紧密地全局对齐效果。在这个例子中，所有的边都将被考虑为真实的匹配，所以第二遍将会立即终止。

可视化优化

使用draw_geometries函数可视化变换点云。

print("变换点云并可视化")
for point_id in range(len(pcds_down)):
    print(pose_graph.nodes[point_id].pose)
    pcds_down[point_id].transform(pose_graph.nodes[point_id].pose)
o3d.visualization.draw_geometries(pcds_down,
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])

得到合并的点云

PointCloud有一个方便的操作符+，可以将两个点云合并为一个点云。在下面的代码中，合并之后，将会使用voxel_down_sample进行重新采样。建议在合并之后对点云进行后处理，因为这样可以减轻重复或过密的点。

# 读取点云
pcds = load_point_clouds(voxel_size)
# 合并点云
pcd_combined = o3d.geometry.PointCloud()
for point_id in range(len(pcds)):
    pcds[point_id].transform(pose_graph.nodes[point_id].pose)
    pcd_combined += pcds[point_id]
# 下采样
pcd_combined_down = pcd_combined.voxel_down_sample(voxel_size=voxel_size)
# 保存点云
o3d.io.write_point_cloud("multiway_registration.pcd", pcd_combined_down)
# 可视化
o3d.visualization.draw_geometries([pcd_combined_down],
                                  zoom=0.3412,
                                  front=[0.4257, -0.2125, -0.8795],
                                  lookat=[2.6172, 2.0475, 1.532],
                                  up=[-0.0694, -0.9768, 0.2024])

注意:
尽管这个教程展示的点云的多视角配准，但是相同的处理步骤可以应用于RGBD图像，请参看 Make fragments 示例。

ancy_i_cv

关注

3
点赞
踩
27

收藏

觉得还不错? 一键收藏
2
评论
Open3d之多视角点云配准

多视角配准是在全局空间中对齐多个几何形状的过程。比较有代表性的是，输入是一组几何形状{ P i } \lbrace P_i\rbrace{Pi}（可以是点云或者RGBD图像）。输出是一组刚性变换{ T i } \lbrace T_i \rbrace{Ti}，变换后的点云{ T i P i } \lbrace T_i P_i \rbrace{TiPi}可以在全局空间中对齐。Open3d通过姿态图估计提供了多视角配准的接口。具体的技术细节请参考[Choi2015].输入教程代码的第一部分...
复制链接

扫一扫